[发明专利]一种基于多视角知识图谱注意力网络的个性化推荐方法

说明书

一种基于多视角知识图谱注意力网络的个性化推荐方法，包括以下步骤：1)构建多视角知识图谱；2)根据多视角知识图谱构建其相对应的直接邻接矩阵和间接邻接矩阵；3)设计图注意力网络，基于注意力机制学习多视角特征信息得到用户和对象的向量表示；4)基于图注意力网络提取知识图谱的社交、关系、交互特征信息；5)对知识图谱注意力网络进行训练学习到用户和对象的最终向量表示。本发明通过学习知识图谱中的多视角特征，提高了推荐系统的准确率。

技术领域

本发明涉及知识图谱、推荐系统等领域，特别给出了一种基于多视角知识图谱注意力网络的个性化推荐方法。

背景技术

随着互联网技术的快速发展，用户可选择的信息越来越丰富，但是也让用户面临着因信息数量过大而导致的“信息过载”问题。如何更好的为用户提供感兴趣的信息成为研究的热点，而推荐系统正是解决这一问题的有效方法，通过分析用户和推荐对象的属性来挖掘出用户的兴趣点，并将用户感兴趣的对象推荐给用户以满足用户的个性化需求。

现今，推荐系统面临的主要问题是数据稀疏性和冷启动问题。数据稀疏性指的是对于庞大的用户和推荐对象而言，仅存在少量的交互信息，使得传统的推荐方法效率不高。冷启动指的是对于新的用户或对象，无法进行有效的推荐。

现有主要的推荐模型包括传统的推荐模型、基于深度学习的推荐模型和基于知识图谱的推荐模型。传统的推荐模型的主要思想是通过对用户和对象的特征向量进行比对或交叉来进行推荐，协同过滤(IEEE Distributed Systems Online,2003)基于用户和对象的ID来表示特定的向量，然后通过内积等操作，对这一交互关系进行建模。但是协同过滤技术往往会导致头部效应，使得冷门的对象获得较少的推荐机会，并且其无法加入用户、物品和上下文的特征信息，结果往往不够准确。为了缓解这一问题，研究者们提出FM(International Conference on Data Mining,2010)，其将用户和对象的所有特征映射在隐向量中，通过对隐向量特征进行相互交叉，得到不同的特征对，丰富了特征间的交互信息，但是其特征众多，容易导致特征计算爆炸。

基于深度学习的推荐模型是使用神经网络来自动学习用户和对象的交互特征，以此来进行预测。AutoRec(International World Wide Web Conferences,2015)提出通过自编码器对共现矩阵进行编码，使得用户和对象的编码结果在一定程度上集成自身信息，但是其结构较为简单，存在一定的表达能力不足的问题，DIN(ACM Knowledge Discovery andData Mining,2018)通过引入注意力机制，使得每个用户的兴趣在模型中呈现多样性，但是存在数据稀疏性问题。

基于知识图谱的推荐模型是将知识图谱(KG)作为辅助信息引入到推荐系统中，通过知识图谱中丰富的语义关联和结构信息来挖掘出用户和对象的潜在联系，以此来提高推荐的性能。KGCN(International World Wide Web Conferences,2019)在知识图谱上使用图卷积(GCN)的思想，在计算KG中给定实体的表示时，将其邻域的信息进行聚合，通过卷积的不断迭代，得到最后的实体表示，以此来捕获用户的高阶个性化兴趣。KGAT(ACMKnowledge Discovery and Data Mining,2019)在KG上进行图注意力网络，对每段关系施以不同的权重，以此来捕获用户的偏好兴趣。

然而，现有基于知识图谱的推荐系统往往只关注于单一视角下的特征，如对象的邻域信息和用户的社交信息，不能全面的捕获知识图谱中的特征信息，导致推荐系统的准确率较低。

发明内容

为了进一步提高推荐准确率，本发明提出一种基于多视角知识图谱注意力网络的个性化推荐方法，该方法能够提取多视角知识图谱特征信息，并通过引入图注意力机制进一步聚合偏好信息，提升重要结构信息的影响，降低噪声结构信息带来的影响，获得更高的推荐准确率。

为了解决技术问题本发明采用如下的技术方案：